接下来将使用著名的Iris植物分类数据集。这个数据集共有150条植物数据，每条数据都
给出了四个特征：sepal length、sepal width、petal length、petal width（分别表示萼片和花瓣的长
与宽），单位均为cm。这是数据挖掘中的经典数据集之一。该
数据集共有三种类别：Iris Setosa（山鸢尾）、Iris Versicolour（变色鸢尾）和Iris Virginica（维吉尼
亚鸢尾）。我们这里的分类目的是根据植物的特征推测它的种类。

#准备数据集
from sklearn.datasets import load_iris
import numpy as np
dataset = load_iris()
X = dataset.data
y = dataset.target
# print(dataset.DESCR) 查看数据集
attribute_means = X.mean(axis=0)
assert attribute_means.shape == (n_features,)
X_d = np.array(X >= attribute_means,dtype='int')
n_samples, n_features = X.shape
print ("样例的个数为{0}".format(n_samples))
print ("特征的个数为{0}".format(n_features))

数据集中各特征值为连续型，也就是有无数个可能的值。测量得到的数据就是这个样子，比
如，测量结果可能是1、1.2或1.25，等等。连续值的另一个特点是，如果两个值相近，表示相似
度很大。一种萼片长1.2cm的植物跟一种萼片宽1.25cm的植物很相像。
与此相反，类别的取值为离散型。虽然常用数字表示类别，但是类别值不能根据数值大小比
较相似性。Iris数据集用不同的数字表示不同的类别，比如类别0、1、2分别表示Iris Setosa、Iris
Versicolour、Iris Virginica。但是这不能说明前两种植物，要比第一种和第三种更相近——尽管单
看表示类别的数字时确实如此。在这里，数字表示类别，只能用来判断两种植物是否属于同一种
数据集的特征为连续值，而我们即将使用的算法使用类别型特征值，因此我们需要把连续值
转变为类别型，这个过程叫作离散化。
最简单的离散化算法，莫过于确定一个阈值，将低于该阈值的特征值置为0，高于阈值的置
为1。我们把某项特征的阈值设定为该特征所有特征值的均值。每个特征的均值计算方法如下。

attribute_means = X.mean(axis=0)
X_d = np.array(X >= attribute_means,dtype='int')

OneR算法

OneR算法的思路很简单，它根据已有数据中，具有相同特征值的个体最可能属于哪个类别
进行分类。OneR是One Rule（一条规则）的简写，表示我们只选取四个特征中分类效果最好的一
个用作分类依据。

训练数据和测试数据

from sklearn.model_selection import train_test_split# Set the random state to the same number to get the same results as in the book
random_state = 14X_train, X_test, y_train, y_test = train_test_split(X_d, y, random_state=random_state)
print("There are {} training samples".format(X_train.shape))
print("There are {} testing samples".format(X_test.shape))

实现代码

from collections import defaultdict
from operator import itemgetterdef train(X, y_true, feature):# Check that variable is a valid numbern_samples, n_features = X.shapeassert 0 <= feature < n_features# Get all of the unique values that this variable hasvalues = set(X[:,feature])# Stores the predictors array that is returnedpredictors = dict()errors = []for current_value in values:most_frequent_class, error = train_feature_value(X, y_true, feature, current_value)predictors[current_value] = most_frequent_classerrors.append(error)# Compute the total error of using this feature to classify ontotal_error = sum(errors)return predictors, total_error# Compute what our predictors say each sample is based on its value
#y_predicted = np.array([predictors[sample[feature]] for sample in X])def train_feature_value(X, y_true, feature, value):# Create a simple dictionary to count how frequency they give certain predictionsclass_counts = defaultdict(int)# Iterate through each sample and count the frequency of each class/value pairfor sample, y in zip(X, y_true):if sample[feature] == value:class_counts[y] += 1# Now get the best one by sorting (highest first) and choosing the first itemsorted_class_counts = sorted(class_counts.items(), key=itemgetter(1), reverse=True)most_frequent_class = sorted_class_counts[0][0]# The error is the number of samples that do not classify as the most frequent class# *and* have the feature value.n_samples = X.shape[1]error = sum([class_count for class_value, class_count in class_counts.items()if class_value != most_frequent_class])return most_frequent_class, error

# Compute all of the predictors
all_predictors = {variable: train(X_train, y_train, variable) for variable in range(X_train.shape[1])}
errors = {variable: error for variable, (mapping, error) in all_predictors.items()}
# Now choose the best and save that as "model"
# Sort by error
best_variable, best_error = sorted(errors.items(), key=itemgetter(1))[0]
print("The best model is based on variable {0} and has error {1:.2f}".format(best_variable, best_error))# Choose the bset model
model = {'variable': best_variable,'predictor': all_predictors[best_variable][0]}
print(model)

def predict(X_test, model):variable = model['variable']predictor = model['predictor']y_predicted = np.array([predictor[int(sample[variable])] for sample in X_test])return y_predicted

y_predicted = predict(X_test, model)
print(y_predicted)

# Compute the accuracy by taking the mean of the amounts that y_predicted is equal to y_test
accuracy = np.mean(y_predicted == y_test) * 100
print("The test accuracy is {:.1f}%".format(accuracy))from sklearn.metrics import classification_report
print(classification_report(y_test, y_predicted))

Python数据挖掘（2）简单的分类问题相关推荐

python输入水果求个数问题_水果爱好者：用Python解决一个简单的分类问题
作者 | Ocktavia Nurima Putri 来源 | Medium 编辑 | 代码医生团队在这篇文章中,将使用Scikit-learn在Python中实现几种机器学习算法.将使用一个简单的 ...
Python数据挖掘学习笔记】九.回归模型LinearRegression简单分析氧化物数据
#2018-03-23 16:26:20 March Friday the 12 week, the 082 day SZ SSMR [Python数据挖掘学习笔记]九.回归模型LinearRegre ...
Python数据挖掘入门与实践-OneR分类算法
Python数据挖掘入门与实践-OneR分类算法 OneR算法 OneR算法是根据已有的数据中,具有相同特征值的个体最可能属于哪个类别进行分类. 在本例中,只需选区Iris是个特征中分类效果最好的一个 ...
Python数据挖掘学习——鸢尾花分类、OneR算法
<Python数据挖掘入门与实践>第一章内容,实现一个简单的分类处理,实现OneR算法. OneR算法的思路很简单,它根据已有的数据中,具有相同特征值的个体最可能属于哪个类别进行分类.On ...
【Python数据挖掘课程】九.回归模型LinearRegression简单分析氧化物数据
这篇文章主要介绍三个知识点,也是我<数据挖掘与分析>课程讲课的内容.同时主要参考学生的课程提交作业内容进行讲述,包括: 1.回归模型及基础知识: 2.UCI ...
python数据挖掘与入门实践（2.2）用sciket-learn估计器分类
接python数据挖掘与入门实践(2.1)用sciket-learn估计器分类三.运行算法交叉验证一般分为三类:double-fold CV 即经常所说的2折交叉:10-fold交叉和LOO(le ...
python 数据挖掘之对数据进行简单预处理（1）
python 数据挖掘之对数据进行简单预处理在我们对数据集进行数据挖掘之前,需要先对数据集进行简单的处理,让数据集变得更规范更具有代表性. 对数据集进行的预处理又许多种,接下来我就简单说几种常用 ...
带你入门Python数据挖掘与机器学习（附代码、实例）
作者:韦玮来源:Python爱好者社区本文共7800字,建议阅读10+分钟. 本文结合代码实例待你上手python数据挖掘和机器学习技术. 本文包含了五个知识点: 1. 数据挖掘与机器学习技术简介 ...
python数据挖掘与机器学习实战_Python数据挖掘与机器学习技术入门实战（1）
什么是数据挖掘?数据挖掘指的是对现有的一些数据进行相应的处理和分析,最终得到数据与数据之间深层次关系的一种技术.例如在对超市货品进行摆放时,牛奶到底是和面包摆放在一起销量更高,还是和其他商品摆在一起销 ...
python 数据挖掘论文,Orange：一个基于 Python 的数据挖掘和机器学习平台
Orange 简介 Orange 是一个开源的数据挖掘和机器学习软件.Orange 基于 Python 和 C/C++ 开发,提供了一系列的数据探索.可视化.预处理以及建模组件. Orange 拥有漂 ...

Python数据挖掘（2）简单的分类问题

OneR算法

Python数据挖掘（2）简单的分类问题相关推荐

最新文章

热门文章